Sistem Pakar Diagnosis Penyakit Demam: DBD, Malaria dan Tifoid Menggunakan Metode K-Nearest Neighbor Certainty Factor

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 1, No. 5, Mei 2017, hlm Sistem Pakar Diagnosis Penyakit Demam: DBD, Malaria dan Tifoid Menggunakan Metode K-Nearest Neighbor Certainty Factor Elsa Nuramilus Shofia 1, Rekyan Regasari Mardi Putri 2, Achmad Arwan 3 Program Studi Teknik Informatika, 1 echanuramilus@gmail.com, 2 rekyan.rmp@ub.ac.id, 3 arwan@ub.ac.id Abstrak Demam merupakan salah satu jenis gangguan kesehatan yang mengganggu produktivitas setiap orang bahkan dapat menyebabkan kematian dan masih menjadi permasalahan kesehatan Indonesia. Terdapat beberapa jenis demam yang perlu diwaspadai antara lain Demam Berdarah Dengue, Malaria dan Tifoid. Ketiga penyakit ini memiliki gejala yang mirip, sehingga banyak tenaga medis dan dokter internship yang seringkali melakukan kesalahan dalam mendiagnosis. Untuk itu diperlukan sebuah sistem yang mengadopsi pengetahuan pakar untuk mengatasi masalah tersebut yaitu sistem pakar. Metode yang digunakan untuk mendukung sistem pakar tersebut adalah metode K-Nearest Neighbor Certainty Factor yang merupakan penggabungan 2 metode dimana hasil klasifikasi dari metode K- Nearest Neighbor akan diberi nilai kepastian oleh metode Certainty Factor sehingga menghasilkan suatu diagnosis penyakit. Pada penelitian ini data latih dan data uji yang digunakan berjumlah 143 data. Berdasarkan hasil pengujian variasi nilai K didapatkan akurasi sebesar 88.37%. Pada pengujian variasi data latih didapatkan akurasi sebesar 86.04%. Pada pengujian rasio data latih dan data uji didapatkan akurasi sebesar 95%. Pada pengujian variasi jumlah data uji didapatkan akurasi sebesar %. Pada pengujian variasi data uji didapatkan rata-rata akurasi sebesar 97.22%. Pada pengujian perbandingan metode, metode k-nearest neighbor-certainty factor menghasilkan akurasi sebesar 84.79%. Kata kunci: sistem pakar, DBD, Malaria, Tifoid, K-Nearest Neighbor, Certainty Factor Abstract Fever is one of the health problems that disrupt everyone s productivity, even it can cause death and remain a health problem in Indonesia. There are several types of fever that needs to be wary, it includes dengue, malaria and typhoid. These three diseases have similar symptoms, so many medical personnel and doctors internship often make mistakes in diagnosing the disease. Therefore, an expert system is required to resolve the issue. The method used to support the expert system is K-Nearest Neighbor - Certainty Factor which is a merger of two methods in which the classification results of K- Nearest Neighbor to be rated certainty by a Certainty Factor method and resulting a diagnosis of the disease. In this study, the training data and test data used were 143 data. Based on test results obtained K value variation accuracy of 88.37%. On testing variations training data obtained an accuracy of 86.04%. In testing the ratio of training data and test data obtained an accuracy of 95%. In testing the variation of the number of test data obtained an accuracy of %. In testing the variety of test data obtained an average accuracy of 97.22%. In comparison testing method, the method k-nearest neighbor certainty factor gets an accuracy of 84.79%. Keywords: expert system, dengue, Malaria, Typhoid, K-Nearest Neighbor, Certainty Factor 1. PENDAHULUAN Kesehatan merupakan hal yang paling didambakan oleh setiap orang, karena dengan hidup sehat segala aktifitas dapat dilakukan dengan baik. Sehingga tidak heran jika seseorang melakukan berbagai cara untuk menjaga kesehatannya. Namun demikian, bukan tidak mungkin seseorang tersebut dapat terserang suatu penyakit. Demam merupakan salah satu jenis gangguan kesehatan yang mengganggu produktivitas setiap orang bahkan dapat menyebabkan kematian dan masih menjadi permasalahan kesehatan Indonesia. Terdapat 8 Fakultas Ilmu Komputer Universitas Brawijaya 426

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 427 jenis demam yang perlu diwaspadai yaitu Demam Berdarah Dengue (DBD), Tifoid, Malaria, Viral, Chicken Guinea, Meningitis, Infeksi Saluran Kemih dan HIV. Untuk mengetahui seseorang terserang penyakit demam jenis apa harus diketahui dari gejala yang dialami oleh orang tersebut. Padahal gejala pada penyakit Demam sangat mirip dan sulit dibedakan sehingga seringkali terjadi kesalahan dalam mendiagnosis karena keterbatasan pengalaman sehingga kecepatan mendiagnosis penyakit sangat terbatas dan terkadang kurang akurat. Masih banyak dokter internship dan tenaga medis yang sulit dalam mendiagnosis ketiga penyakit ini. Dokter internship adalah dokter yang baru menyelesaikan masa pendidikan profesi dan sedang melakukan program magang (Amir, 2007). Untuk membantu tenaga medis dan dokter internship dalam mengetahui sejak dini jenis penyakit demam yang diderita, maka diperlukan suatu sistem yang memiliki kemampuan layaknya seorang dokter dalam mendiagnosis penyakit. Sistem tersebut adalah sistem pakar yang diadopsi oleh pengetahuan manusia ke dalam komputer agar dapat membantu menyelesaikan masalah yang biasanya dilakukan oleh pakar. Sistem pakar dapat melakukan penalaran sebagaimana seorang pakar salah satunya dengan menerapkan metode K-Nearest Neighbour - Certainty Factor. Ada beberapa penelitian yang membahas tentang metode Certainty Factor dan K-Nearest Neighbour. Penelitian tersebut adalah Pengembangan Sistem Pakar Diagnosis Penyakit Tuberculosis dan Demam Berdarah Berbasis Web Menggunakan Metode Certainty Factor. Penelitian yang dilakukan oleh Yulianti Paula Bria dan Engelbertus Agung S. Takung ini bertujuan untuk membantu masyarakat dalam mendiagnosis penyakit TBC dan DBD sehingga dapat ditanggulangi lebih dini dan membantu dokter dalam pengambilan keputusan (Yulianti, 2015). Sedangkan penelitian yang menggunakan algoritma K-Nearest Neighbour adalah Model Diagnosis Tuberculosis Menggunakan K- Nearest Neighbour Berbasis Seleksi Atribut. Ratih Sari dan Purwanto melakukan perbandingan K-Nearest Neighbour dengan dua algoritma lain yaitu Logistic Regression dan Decision Tree. Input pada penelitian ini adalah karakteristik pasien, anamnesis, pemeriksaan tanda vital dan pemeriksaan radiologi sesuai dengan standar TB yang ditetapkan serta lama batuk dan warna dahak. Hasil dari eksperimen menunjukkan bahwa model K-NN berbasis backward elimination memberikan kinerja yang terbaik jika dibandingkan dengan model-model lain. Model K-Nearest Neighbour berbasis backward elimination memberikan nilai akurasi sebesar 78.66% dan nilai AUC sebesar 0.6 yang mengindikasikan bahwa model adalah good classification (Ratih Sari, 2015). 2. STUDI LITERATURE 2.1 Sistem Pakar (Expert System) Sistem Pakar adalah sistem yang berusaha mengadopsi pengetahuan para pakar dalam menyelesaikan permasalahan berbasis sistem komputer. Menurut Turban dan Aronson sistem pakar merupakan sistem yang menggunakan pengetahuan manusia yang dimasukkan kedalam komputer untuk memecahkan permasalahan yang biasanya diselesaikan oleh pakar (Turban, 2005). Dibawah ini merupakan komponen yang dibutuhkan dalam membangun sistem pakar, antara lain: 1. Memori Kerja (Working Memory) 2. Antar Muka Pengguna (User Interface) 3. Mekanisme Inferensi (Inference Machine) 4. Basis Pengetahuan (Knowledge Base) 2.2 K-Nearest Neighbor Algoritma K-Nearest Neighbor merupakan sebuah algortima yang melakukan klasifikasi terhadap objek yang memiliki jarak terdekat dengan objek tersebut. Algoritma K-Nearest Neighbor mengelompokkan data baru yang belum diketahui kelasnya dengan memilih data sejumlah k yang letaknya paling dekat dari data baru. Class paling banyak dari data terdekat sejumlah k akan dipilih sebagai class yang diprediksi untuk data baru. Pada umumnya nilai k menggunakan jumlah ganjil agar tidak terdapat jarak yang sama dalam proses klasifikasi. Jauh atau dekatnya tetangga dihitung menggunakan jarak Euclidean. Perhitungan untuk mencari jarak menggunakan Euclidean ditunjukkan pada persamaan 2.1. x 1 = (x 11, x 12,, x 1n ) x 2 = (x 21, x 22,, x 2n ) d(x 1, x 2 ) n r (a r (x 1 ) a r (x 2 )) 2 (2.1) Dimana x 1 dan x 2 adalah dua record dengan n atribut. Persamaan menghitung jarak antara x 1 dan x 2, bertujuan untuk menentukan perbedaan antara nilai-nilai atribut pada record

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 428 x 1 dan x 2. Setelah diketahui jarak antar record, kemudian diambil sebanyak k tetangga terdekat untuk memprediksi label kelas dari record baru menggunakan label kelas tetangga. Diambil kelas mayoritas sebagai kelas target output data yang baru. 2.3 Certainty Factor Metode Certainty Factor adalah teknik yang digunakan untuk mengatasi permasalahan ketidakpastian dalam pengambilan keputusan. Certainty Factor dapat terjadi dalam berbagai kondisi, misalnya terdapat beberapa rule yang berbeda dengan satu kondisi yang sama. Pada contoh kondisi ini harus dilakukan agregasi pada nilai Certainty Factor keseluruhan dari setiap kondisi yang ada. Adapun alur pada metode Certainty Factor adalah sebagai berikut: Menentukan nilai untuk setiap klasifikasi gejala Menghitung nilai Certainty Factor untuk tiap klasifikasi gejala Menentukan Rule Certainty Factor untuk tiap klasifikasi gejala Membandingkan nilai Certainty Factor terbesar untuk dijadikan solusi Chicken Guinea, Viral, Meningitis, Infeksi saluran kemih dan HIV. Dari 8 jenis demam tersebut 3 diantaranya memiliki gejala yang mirip yaitu Demam Berdarah Dengue, Malaria dan Tifoid. 3. METODOLOGI PENELITIAN Metodologi mengenai tahapan-tahapan penelitian yang akan dilakukan. Berikut merupakan langkah-langkah yang akan dilakukan dalam pembuatan sistem Sistem Pakar Diagnosis Penyakit Demam: DBD, Malaria dan Tifoid Menggunakan Metode K- Nearest Neighbor Certainty Factor 3.1 Model Perancangan Sistem Model perancangan system merupakan tahapan-tahapan dari input awal kemudian proses pengolahan data hingga mendapatkan hasil output yang berupa hasil diagnosis penyakit. Model Perancangan system sistem pada diagnosis penyakit Demam: DBD, Malaria dan Tifoid menggunakan metode K-Nearest Neighbor Certainty Factor akan ditunjukkan pada Gambar 3.3. Solusi Gambar 2.1 Diagram alur Metode Certainty Factor Sumber: (Fadjrin, 2015) Alur pada metode Certainty Factor adalah sebagai berikut: 1. Menentukan nilai dari setiap gejala yang sudah ditentukan pakar dan yang diinputkan oleh user. 2. Menentukan Rule Certainty Factor untuk setiap gejala dari setiap penyakit. Rule ini berisi gabungan nilai dari pakar dan user. 3. Nilai dari rule diatas akan dihitung pada tiap penyakit. 4. Membandingkan nilai terbesar tiap penyakit untuk mendapatkan solusi. 5. Solusi yang telah didapatkan merupakan hasil akhir. 2.4 Demam Demam adalah suatu keadaan saat suhu badan melebihi 37 0 C. Demam juga merupakan pertanda bahwa sel antibodi manusia sedang melawan virus atau bakteri. Terdapat 8 jenis demam yang perlu di waspadai antara lain Demam Berdarah Dengue, Tifoid, Malaria, Gambar 3.1 Model Perancangan sistem 4. PERANCANGAN Sistem yang dibuat merupakan perangkat lunak yang menggunakan metode knn-certainty factor untuk mendiagnosis penyakit. Dimana pada system ini akan diketahui apakah seorang pasien menderita penyakit dbd, malaria atau tifoid. Data yang dibutuhkan pada penelitian ini adalah data pasien penyakit Demam: DBD, Malaria dan Tifoid yang akan dijadikan sebagai

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 429 data latih dan data uji, data gejala dan data nilai tingkatan gejala pada ketiga penyakit tersebut. Tabel 4.1 Data Nilai Tingkatan Gejala Berdasarkan Jenis Penyakit Tabel 4.2 Data nilai tingkatan gejala Proses pengklasifikasian diagnosis penyakit menggunakan metode knn certainty factor digambarkan dalam diagram alir seperti pada Gambar 4.1. Gambar 4.1 Tahapan Metode KNN-Certainty Factor Berikut penjelasan alur proses diatas: 1. Tenaga medis menginputkan data pasien dan keluhan yang dialami Misalkan terdapat 10 data latih yang ditunjukkan pada Tabel 3.1 dan satu data uji yang ditunjukkan pada Tabel 3.2

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 430 Tabel 3.1 Data latih penyakit Demam tersebut dari nilai terkecil ke terbesar, ditunjukkan pada tabel 3.7 Tabel 3.7 Hasil Euclidean dari yang terkecil Tabel 3.2 Data uji penyakit Demam (Tifoid) 2. Melakukan normalisasi nilai data latih dan data uji. Nilai min dan max dapat dilihat pada Tabel 3.3, dan untuk data latih ternormalisasi ditunjukkan pada Tabel 3.4, sedangkan untuk data uji ternormalisasi ditunjukkan pada Tabel 3.5 Tabel 3.3 Min-max normalization Kemudian menentukan nilai k yang akan digunakan. Misal k=3, hasil ditunjukkan pada Tabel 3.8 Tabel 3.8 Hasil Euclidean dari yang terkecil berdasarkan k=3 Tabel 3.4 Data latih ternormalisasi Tabel 3.5 Data uji ternormalisasi 3. Melakukan perhitungan klasifikasi k-nearest neighbor dengan mencari nilai jarak antara data uji terhadap data latih. Hasil perhitungan Euclidean yaitu jarak antara data uji terhadap data latih ditunjukkan pada Tabel 3.6 Setelah diketahui hasil klasifikasi dari perhitungan knn adalah penyakit tifoid, maka selanjutnya menghitung nilai kepastian dengan menggunakan certainty factor. Untuk mencari nilai CF adalah dengan mengkalikan data gejala pasien dengan data gejala pakar. Hasil perhitungan ini ditunjukkan pada Tabel 3.9. Tabel 3.9 Hasil perhitungan nilai CF Tabel 3.6 Hasil perhitungan Euclidean Setelah didapatkan jarak data uji terhadap data latih, kemudian urutkan hasil Setelah didapatkan nilai CF, kemudian menghitung CF Combine untuk mendapatkan nilai kepastian penyakit tersebut. Hasil

6 Akurasi (%) Akurasi (%) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 431 perhitungan CF Combine ditunjukkan pada Tabel Tabel 3.13 Hasil perhitungan CF Combine Berdasarkan perhitungan dan tabel diatas maka penyakit tifoid memiliki nilai kepastian sebesar PENGUJIAN DAN ANALISIS 5.1 Pengujian Variasi Nilai K Pada pengujian variasi nilai k bertujuan untuk mengetahui apakah nilai k berpengaruh terhadap tingkat akurasi. Pada analisis variasi nilai k digunakan data latih, 43 data uji dan nilai k mulai dari k=1 sampai k=50. Hasil pengujian pengaruh nilai k ditunjukkan pada Gambar Grafik Hasil Pengujian Nilai K Nilai K Gambar 5.1 Grafik Hasil Pengujian Variasi Nilai K Pada grafik Gambar 5.1 diatas dapat diketahui bahwa dari nilai k=1 sampai k=5 menghasilkan akurasi sebesar 88.37%. Setelah itu akurasi mengalami naik turun. Pada nilai k=12 hingga k=31 menghasilkan akurasi 83.72%, pada nilai k=32 hingga k=37 menghasilkan akurasi 86.05%, pada nilai k=38 hingga k=50 menghasilkan akurasi 83.72%. Pada percobaan tersebut nilai k yang semakin bertambah menghasilkan akurasi yang semakin rendah hingga mengalami naik turun akurasi, namun naik turun akurasi tidak begitu besar dan cenderung stabil. Nilai k yang bertambah akan membuat semakin banyak data tidak relevan terhadap data uji dan hal tersebut mengakibatkan tingkat kesalahan prediksi yang semakin besar dan menyebabkan tingkat akurasi turun. Dari percobaan diatas dapat disimpulkan bahwa variasi nilai k berpengaruh pada akurasi. Untuk nilai k yang akan digunakan pada pengujian-pengujian adalah nlai k yang memiliki akurasi tertinggi yaitu nilai k=3, k=5 dan k=8 dengan akurasi sebesar 88.37%. 5.2 Pengujian Variasi Data Latih Pengujian variasi data latih bertujuan untuk mengetahui apakah data latih yang berbeda-beda akan berpengaruh terhadap tingkat akurasi sistem. Pada pengujian ini jumlah data latih yang digunakan adalah sama namun dengan data yang berbeda. Hasil pengujian pengaruh jumlah data latih ditampilkan dalam sebuah grafik pada Gambar Grafik Hasil Pengujian Variasi Data Latih 83,72 83,72 83,72 83,72 83,72 83,72 83,72 86,04 83,72 81,39 83,72 83,72 Percobaan 1 (50 Data 1) Percobaan 2 Percobaan 3 (50 Data 2) (50 Data 3) Percobaan ke- Percobaan 4 (50 Data 4) K = 3 K = 5 K = 8 Gambar 5.2 Grafik Hasil Pengujian Variasi Data Latih Pada grafik Gambar 5.2 diatas dapat diketahui bahwa percobaan yang dilakukan dengan nilai k=3, k=5 dan k=8 pada percobaan ke-2 dan ke-4 memiliki kesamaan hasil akurasi yaitu 83.72%. Pada percobaan ke-3 dengan nilai k=5 memiliki hasil akurasi yang tertinggi di banding nilai k yang lain. Hal ini disebabkan karena meskipun data latih yang digunakan berjumlah sama, akan tetapi variasi data latihnya berbeda. Dimana pada percobaan ke-3 memiliki variasi data dengan jarak yang lebih berdekatan dengan data uji dibandingkan dengan percobaan ke-1, ke-2 dan ke-4 sehingga menghasilkan tingkat akurasi yang lebih tinggi. Dari hal tersebut dapt disimpulkan bahwa percobaan yang dilakukan dengan nilai k=3, k=5 dan k=8 memiliki akurasi yang naik turun

7 Akurasi (%) Akurasi (%) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 432 walaupun sebagian besar sama. Perbedaan variasi pada setiap percobaan membuat tingkat akurasi berbeda-beda dan mempengaruhi nilai jarak antara data latih dan data uji. Jika dalam suatu variasi data latih memiliki nilai jarak yang berdekatan dengan data uji akan membuat akurasi semakin tinggi dan begitu sebaliknya. 5.3 Pengujian Rasio Data Latih dan Data Uji Pengujian rasio data latih dan data uji bertujuan untuk mengetahui apakah rasio data latih dan data uji yang berbeda-beda akan berpengaruh terhadap tingkat akurasi sistem. Pengujian rasio data latih dan data uji ini diambil dari persentase perbandingan data latih dan data uji, yaitu :10, :20, 50:50, 20: dan 10:. Berikut hasil grafik pengujian rasio data latih dan data uji ditunjukkan pada Gambar 5.3. Grafik Hasil Pengujian Rasio Data Latih dan 91,67 95,83 91,67 91,6795,83Data 95 95Uji 95 94, ,67 91,67 92,7 89, , Percobaan 1Percobaan 2Percobaan 3Percobaan 4Percobaan 5 ( : 10) ( : 20) (50 : 50) (20 : ) (10 : ) K = 3 K = 5 K = 8 Gambar 5.3 Grafik Hasil Pengujian Rasio Data Latih dan Data Uji Pada grafik Gambar 5.3 diatas dapat diketahui bahwa pada nilai k=8 percobaan ke-2 dan nilai k=3 pada percobaan ke-4 memiliki hasil akurasi tertinggi yaitu 95.83%, ini dikarenakan jumlah kesalahan pada setiap percobaan dan banyaknya jumlah data uji pada setiap percobaan berpengaruh pada tingkat akurasi sistem. Seperti pada percobaan ke-2 jumlah kesalahan yang terjadi adalah 2 dan ke-3 jumlah kesalahan yang terjadi adalah 4, tetapi data uji yang digunakan pada percobaan ke-2 adalah 24 data dan pada percobaan ke-3 adalah 60 data, karena jumlah data uji pada percobaan ke-3 lebih banyak maka tingkat akurasi pada percobaan ke-3 lebih besar meskipun memiliki jumlah kesalahan lebih besar daripada percobaan ke-2. Jadi jumlah kesalahan pada setiap percobaan dan banyaknya jumlah data uji berpengaruh besar pada tingkat akurasi. 5.4 Pengujian Variasi Jumlah Data Uji Pengujian variasi jumlah data uji ini bertujuan untuk mengetahui apakah jumlah data uji yang berbeda-beda dapat mempengaruhi tingkat akurasi sistem. Pada analisis variasi jumlah data uji ini digunakan nilai k dengan tingkat akurasi tertinggi yang didapatkan pada percobaan pertama yaitu k=3, k=5 dan k=8 dimana digunakan data uji dengan jumlah 10, 20, 30 dan 40 data dan data latih yang digunakan adalah data latih yang sama yaitu data. Hasil pengujian variasi jumlah data uji ditampilkan dalam sebuah grafik pada Gambar Grafik Hasil Pengujian Variasi Jumlah Data Uji 86,67 86,67 83,33 82,5 Percobaan 1 Percobaan 2 Percobaan 3 Percobaan 4 (10 Data Uji) (20 Data Uji) (30 Data Uji) (40 Data Uji) K = 3 K = 5 K = 8 Gambar 5.4 Grafik Hasil Pengujian Variasi Jumlah Data Uji Pada grafik Gambar 5.4 diatas dapat diketahui bahwa percobaan yang dilakukan pada percobaan ke-1 dengan nilai k=3, k=5 dan k=8 memiliki nilai akurasi %. Sedangkan pada percobaan ke-2 dengan nilai k=3, k=5 dan k=8 memiliki nilai akurasi sebesar % yang merupakan nilai akurasi tertinggi. Pada percobaan ke-3 dan ke-4 tingkat akurasi mengalami naik turun tetapi tidak terlalu besar dan cenderung stabil. Dari grafik diatas dapat disimpulkan bahwa yang dapat mempengaruhi tingkat akurasi adalah jumlah kesalahan pada setiap percobaan dan banyaknya jumlah data uji pada setiap percobaan. Seperti pada percobaan ke-1 dan ke- 2 jumlah kesalahan yang terjadi adalah 2, tetapi data uji yang digunakan pada percobaan ke-1 adalah 10 data dan pada percobaan ke-2 adalah 20 data, karena jumlah data uji pada percobaan ke-2 lebih banyak maka tingkat akurasi pada percobaan ke-2 lebih besar. Jadi dapat disimpulkan bahwa pada pengujian variasi jumlah data uji diengaruhi oleh 2 hal yaitu jumlah kesalahan pada setiap percobaan dan banyaknya jumlah data uji. 5.5 Pengujian Variasi Data Uji Pengujian variasi data uji ini bertujuan untuk mengetahui apakah variasi data uji yang berbeda-beda dapat mempengaruhi tingkat akurasi sistem. Pada analisis variasi data uji ini digunakan nilai k dan data latih dengan tingkat

8 Akurasi (%) Akurasi (%) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 433 akurasi tertinggi yang didapatkan pada percobaan pertama yaitu k=3, k=5 dan k=8 dimana digunakan variasi data uji berjumlah sama yaitu 36 data pada 3 kali percobaan dan data latih sebanyak data latih. Hasil pengujian variasi data uji ditampilkan dalam sebuah grafik pada Gambar Grafik Hasil Pengujian Variasi Data Uji 94,44 94,44 97,22 94,44 94,44 97,22 94,44 94,44 94,44 Percobaan 1 (36 Data Uji) Percobaan 2 (36 Data Uji) K = 3 K = 5 K = 8 Gambar 5.5 Grafik Hasil Pengujian Variasi Data Uji Pada grafik Gambar 5.5 diatas dapat diketahui bahwa percobaan yang dilakukan dengan nilai k=3, k=5 dan k=8 percobaan ke-1 dan ke-2 menghasilkan akurasi 94.44%. Akurasi tertinggi dihasilkan oleh percobaan ke-3 dengan nilai k=3 dan k=5 sebesar 97.22, hal ini disebabkan karena meskipun variasi data uji yang digunakan berjumlah sama, akan tetapi variasi data ujinya berbeda. Dimana pada percobaan ke-3 memiliki variasi data dengan jarak yang lebih berdekatan dengan data latih dibandingkan dengan percobaan lainnya sehingga menghasilkan tingkat akurasi yang lebih tinggi. 5.6 Pengujian Perbandingan Metode Percobaan 3 (36 Data Uji) Pada analisis perbandingan metode ini digunakan nilai akurasi dari dua metode yaitu metode K-Nearest Neighbor Certainty Factor dan metode K-Nearest Neighbor dengan acuan perbandingan rata-rata akurasi yang dihasilkan untuk setiap k. Pengujian ini menggunakan k=1 hingga k=5, data latih dan jumlah data uji yang tetap yaitu sebanyak 43 data. Hasil pengujian perbandingan metode ditampilkan dalam sebuah grafik pada Gambar Grafik Hasil Pengujian Perbandingan Metode 84,79 84,79 Metode KNN Perbandingan Metode K = 1-50 Metode KNN-CF Gambar 5.6 Grafik hasil pengujian perbandingan metode Dari grafik diatas dapat disimpulkan metode K-Nearest Neighbor Certainty Factor memiliki tingkat akurasi yang sama dengan metode K-Nearest Neighbor yaitu sebesar 84.79%. Akurasi adalah menghitung hasil ketepatan diagnosis system dengan pakar dan hasil akurasi metode K-Nearest Neighbor Certainty Factor mengikuti hasil klasifikasi K- Nearest Neighbor. Jadi dapat disimpulkan antara metode K-Nearest Neighbor Certainty Factor dan K-Nearest Neighbor yang berperan dalam penentuan hasil akurasi adalah metode K- Nearest Neighbor, sedangkan metode Certainty Factor hanya menghitung nilai kepastian suatu penyakit berdasarkan hasil diagnosis yang dilakukan oleh metode K-Nearest Neighbor, apabila metode K-Nearest Neighbor tidak menghasilkan output maka metode Certainty Factor tidak dapat melakukan proses perhitungan nilai kepastian. Untuk menguji kinerja metode K-Nearest Neighbor Certainty Factor pada kasus Sistem Pakar Diagnosis Penyakit Demam: DBD, Malaria dan Tifoid maka dilakukan pengujian perbandingan dengan 2 metode klasifikasi lainnya yaitu naïve bayes dan J48 menggunakan Aplikasi Weka. Naïve Bayes adalah metode Bayesian learning yang paling cepat dan sederhana. Metode Naive Bayes merepresentasikan data gejala kedalam bentuk probability model. Probability model tersebut yang digunakan sebagai model untuk mengelompokkan suatu penyakit. Sedangkan metode K-Nearest Neighbor menyimpan sekelompok data training set sebagai acuan untuk mengelompokkan suatu penyakit. Metode J48 merupakan salah satu kelas di paket classifier pada sistem weka yang mengimplementasikan algoritma C45. Algoritma C4.5 adalah salah satu metode untuk membuat decision tree berdasarkan training data yang telah disediakan. Dalam pengujian ini data

9 Akurasi (%) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 434 latih yang digunakan berjumlah data dan 43 data uji. Hasil pengujian perbandingan metode KNN-Certainty Factor, naïve bayes dan J48 ditampilkan dalam sebuah grafik pada Gambar 5.7. Grafik Hasil Pengujian Perbandingan Metode KNN-Certainty Factor, Naive Bayes dan J ,79 88,37 Metode KNN Metode Naïve Bayes Perbandingan Metode K = 1-50 Gambar 5.7 Grafik hasil pengujian perbandingan metode KNN-CF, Naïve Bayes dan J48 Dari grafik diatas dapat disimpulkan bahwa metode K-Nearest Neighbor Certainty Factor lebih baik daripada metode J48 yang menghasilkan akurasi 81.39%. Hal ini dikarenakan metode J48 dalam membuat cabang node tree hanya terbatas sehingga informasi yang didapatkan kurang optimal dan membuat akurasi menjadi turun. Tetapi metode K-Nearest Neighbor Certainty Factor memiliki akurasi kurang dari Naïve Bayes yang menghasilkan akurasi sebesar 88.37%. Hal ini disebabkan karena metode naïve bayes sudah mampu menentukan parameter yang diperlukan dalam proses pengklasifikasian hanya dengan jumlah data latih yang kecil atau sedikit sedangkan pada metode K-Nearest Neighbor Certainty Factor diperlukan data latih yang besar sehingga hasil lebih efektif dan tangguh terhadap training data yang noisy. 6. PENUTUP 6.1 Kesimpulan 81,39 Berdasarkan hasil penelitian Sistem Pakar Diagnosis Penyakit Demam Menggunakan Metode K-Nearest Neighbor Certainty Factor, dapat diambil kesimpulan sebagai berikut: 1. Sistem Pakar Diagnosis Penyakit Demam Menggunakan Metode K-Nearest Neighbor Certainty Factor Factor ini dibuat menggunakan Bahasa pemrograman PHP dan basis data MySQL sebagai tempat penyimpanan data masukan dan data knowledge. Sistem pakar ini mampu mengidentifikasi penyakit Demam dengan menginputkan 15 gejala dan kemudian dilakukan proses perhitungan menggunakan metode K-Nearest Neighbor Certainty J48 Factor untuk mendapatkan hasil diagnosis berupa jenis penyakit sesuai dengan nilai kepastian terbesar. 2. Metode K-Nearest Neighbor Certainty Factor menghasilkan tingkat akurasi yang tergolong baik dalam mengklasifikasikan dan memberi nilai kepastian jenis penyakit DBD, Malaria atau Tifoid dimana pada beberapa mekanisme pengujian menghasilkan tingkat akurasi yaitu: a. Didapatkan nilai akurasi maksimum sebesar 88.37% pada pengujian variasi nilai k, dengan k=3, k=5 dan k= 8. Dimana nilai akurasi maksimum diperoleh dari nilai K yang kecil. Semakin banyak nilai K maka akan membuat semakin banyak data tidak relevan terhadap data uji dan hal tersebut mengakibatkan tingkat kesalahan prediksi yang semakin besar dan menyebabkan tingkat akurasi turun. b. Didapatkan nilai akurasi maksimum sebesar 86.04% pada pengujian variasi data latih, dimana perbedaan variasi data latih memberikan perbedaan tingkat akurasi. Hal ini disebabkan karena perbedaan tersebut akan mempengaruhi nilai jarak antara data latih dan data uji. Jika dalam suatu variasi memiliki nilai jarak yang berdekatan dengan data uji akan membuat akurasi semakin tinggi, begitupun sebaliknya. c. Didapatkan hasil akurasi maksimum sebesar 95.83% pada pengujian rasio data latih dan data uji pada percobaan 2 dengan nilai k=8 dan pada percobaan ke-4 dengan nilai k=2. Hal ini dikarenakan jumlah kesalahan pada setiap percobaan dan banyaknya jumlah data uji pada setiap percobaan berpengaruh pada tingkat akurasi sistem. Jumlah data uji pada percobaan ke-3 lebih banyak maka tingkat akurasi pada percobaan ke-3 lebih besar meskipun memiliki jumlah kesalahan lebih besar daripada percobaan ke-2. d. Didapatkan hasil akurasi maksimum sebesar % pada pengujian variasi jumlah data uji dengan jumlah 20 data. Hal ini disebabkan karena jumlah kesalahan pada setiap percobaan dan banyaknya jumlah data uji pada setiap percobaan mempengaruhi tingkat akurasi yang dihasilkan.

10 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 435 e. Didapatkan hasil akurasi maksimum sebesar 97.22% pada pengujian variasi data uji dimana perbedaan variasi data uji memberikan perbedaan tingkat akurasi. Hal ini disebabkan karena perbedaan variasi data uji akan mempengaruhi nilai jarak antara data latih dan data uji. Jika dalam suatu variasi memiliki nilai jarak yang berdekatan dengan data latih akan menghasilkan nilai akurasi semakin tinggi, dan sebaliknya. f. Didapatkan hasil akurasi maksimum sebesar 84.79% pengujian perbandingan metode. Perbandingan nilai akurasi antara metode K-Nearest Neighbor Certainty Factor dengan metode K- Nearest Neighbor menghasilkan akurasi yang sama, karena metode Certainty Factor hanya menghitung nilai kepastian suatu penyakit berdasarkan hasil diagnosis dari metode K-Nearest Neighbor. 3. Perbandingan nilai akurasi metode antara K- Nearest Neighbor Certainty Factor dengan K-Nearest Neighbor menghasilkan akurasi yang sama yaitu 84.79%. Untuk perbandingan dengan metode yang lainnya, metode K-Nearest Neighbor Certainty Factor lebih baik daripada metode J48 yang menghasilkan akurasi 81.39%. Tetapi metode K-Nearest Neighbor Certainty Factor memiliki akurasi kurang dari Naïve Bayes yang menghasilkan akurasi sebesar 88.37%. 6.2 Saran Beberapa saran untuk pengembangan lebih lanjut yang dapat diberikan oleh penulis antara lain: 1. Sistem ini hanya untuk mendiagnosis 3 jenis penyakit demam (DBD, Malaria dan Tifoid) sedangkan masih terdapat banyak jenis demam sehingga dapat ditambahkan jenisjenis demam yang lain. 2. Pada penelitian selanjutnya perlu dilakukan penambahan data latih dan data uji, solusi dan cara pencegahan penyakit Demam sehingga informasi dan data pembelajaran sistem semakin banyak. 3. Sebaiknya pada penelitian selanjutnya metode sistem pakar yang dapat digunakan adalah dengan menggunakan metode Fuzzy K-Nearest Neighbor atau Modified K- Nearest Neighbor dan penggabungan metode lainnya dengan K-Nearest Neighbor. DAFTAR PUSTAKA Abdurrahman, Ginanjar Thesis Project: Penerapan Metode Tsukamoto (Logika Fuzzy) Dalam Sistem Pendukung Keputusan Untuk Menentukan Jumlah Produksi Barang Berdasarkan Data Persediaan dan Jumlah Permintaan. Yogyakarta: Universitas Negeri Yogyakarta. Anjas Sari, Nur Sistem Pakar Mendiagnosis Penyakit Demam Berdarah Menggunakan Metode Certainty Factor. Medan: STMIK Budidarma Medan. Djunaedi, D Demam Berdarah Dengue (Dengue DBD) Epidemiologi, Imunopatologi, Patogenesis, Diagnosis dan Penatalaksanaannya. Malang: UMM Press. Hidayati, N Thesis Project: Analisis Regresi Poisson Terhadap Faktor-faktor yang Mempengaruhi Penyakit Demam Typhoid di Provinsi Jawa Timur. Surabaya: FMIPA ITS. Hidayat, Syaeful Aplikasi Untuk Mendeteksi Penyakit Pada Tanaman Tebu dan Cara Penanganannya Berbasis Web. Bandung: Universitas Komputer Indonesia. Latumakulita, Luther Sistem Pakar Pendiagnosis Penyakit Anak Menggunakan Certainty Factor (CF). Manado: Jurnal Ilmiah Sains Vol. 12 No. 2. Paula, Yulianti Pengembangan Sistem Pakar Diagnosis Penyakit Tuberculosis dan Demam Berdarah Berbasis Web Menggunakan Metode Certainty Factor. Yogyakarta: Seminar Nasional Teknologi Informasi dan Komunikasi.